CN113234874A - 一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统 - Google Patents
一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统 Download PDFInfo
- Publication number
- CN113234874A CN113234874A CN202110527543.9A CN202110527543A CN113234874A CN 113234874 A CN113234874 A CN 113234874A CN 202110527543 A CN202110527543 A CN 202110527543A CN 113234874 A CN113234874 A CN 113234874A
- Authority
- CN
- China
- Prior art keywords
- fault
- control
- layer
- node
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
- C21B5/006—Automatically controlling the process
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B7/00—Blast furnaces
- C21B7/24—Test rods or other checking devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B2300/00—Process aspects
- C21B2300/04—Modeling of the process, e.g. for control purposes; CII
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明公开了一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统,包括分布式工业现场数据采集模块、集中式存储模块、集中式故障监测诊断与自愈控制模块、分布式终端控制模块。其中集中式故障监测诊断与自愈控制模块基于动态贝叶斯网络构建,由三层组成,分别为征兆层、故障层与控制层,其中控制层由多个与时间相关的阶段构成。本发明能实时监测高炉生产过程是否发生异常,在监测指标异常时能进行故障诊断,并根据故障的种类、严重程度推理输出控制量的调整值,控制策略根据自愈控制作用后故障持续的时间分为不同的动作阶段,可以满足控制过程动态性的需求,从而自主消除高炉生产过程中的故障,保证高炉的安全稳定生产。
Description
技术领域
本发明属于工业过程监控、建模和仿真领域,特别涉及一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统。
背景技术
钢铁工业是国民经济的重要基础产业,是人类生存和发展的物质保障。经过几十年的发展,通过信息化、数字化等手段,我国钢铁产业结构逐步优化,关键技术不断取得突破,在许多生产工序均有了较完善的模型与控制系统。然而炼铁高炉运行环境恶劣、工艺异常复杂、安全性要求极高,一旦发生事故不仅会影响正常的生产,造成经济损失,还有可能引发事故造成人员伤亡。因此,亟需在现有炼铁生产自动化与信息化的基础上,深度融合炼铁专家知识、操作经验与智能技术,实现信息深度感知、智慧优化决策和精准协调控制,以提高大型炼铁系统生产过程的智能化水平。
大型高炉是一种复杂动态系统,包含着极其复杂的物理化学反应过程,因此,高炉的故障可分为两种类型:有源型与无源型。有源型故障发生可以归因于某个参数或某个设备异常,是由设备工作故障导致的,比如传感器或控制器阀门失灵等,常见的有低料线,冷却器漏水,风口渣口破损,风口小套破损等。无源型故障发生是由于入炉原料与操作制度不匹配导致的物理运动或化学反应异常,比如煤气流异常产生的管道,炉料分布与运动失常导致的悬料与崩料,长期制度不合理导致的炉型失常如炉墙结厚、炉缸堆积等。由于高炉内部环境高温高压,因此无法直接对反应过程进行监测,过程信息集中在高炉上部与高炉下部,存在欠信息的问题,在实际生产过程中,高炉的故障诊断过程实际上是间接的,即通过高炉上部与下部提供的过程信息间接判断炉内的反应状况,进行故障诊断。当高炉异常炉况出现时,对于高炉的调剂手段主要集中在高炉上部(布料)与高炉下部(鼓风),主要是通过对物料的调节干预冶炼过程,存在欠调节手段的问题。对于短期调节来说,主要有装料布料制度与送风制度。装料布料制度主要是调整矿批重量、调整各类矿占比、加净焦、调整布料矩阵。送风制度主要是调整冷风流量、富氧流量、热风温度与喷煤量。由于高炉的反应时间长,从物料进入炉内反应到产出铁水需要6-7小时,反馈控制存在大时滞问题。
结合高炉的生产特点,传统的统计方法中对于故障源的识别采用故障隔离的方法进行,这种方法只针对有源型故障有效,对于无源型故障是无效的。传统的反馈控制无法解决高炉的自愈控制问题,在实际生产过程中,操作人员主要就是综合反应的过程信息进行炉况的诊断与操作制度的调整,内在的控制逻辑就是“一荣俱荣,一损俱损”,只要过程指标良好平稳,炉况就是正常的,高炉生产就会平稳进行,冶炼出的铁水就是合格的。同时由于高炉涉及金属冶炼,在高温高压环境下运行,对生产安全要求高,事故危害大,现有的方法距离实际应用还有很大差距,需要探索新路径新方法。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统。
一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统,包括分布式工业现场数据采集模块、集中式存储模块、集中式故障监测诊断与自愈控制模块、分布式终端控制模块;所述的分布式工业现场数据采集模块用于采集监控高炉生产状况的过程变量与控制变量的实时数据,设有多种传感器,传感器将采集的信息传输至数据库中存储以待调用;位于高炉上部的传感器包括:采集矿石与焦炭重量的质量传感器、采集料线信息的料尺、采集料线信息的雷达、采集顶压信息的压力传感器、采集顶温信息的十字测温传感器,位于高炉下部及送风管道的传感器包括:采集炉腹压力信息的压力传感器、采集热风压力信息的压力传感器、采集冷风流量信息的流量传感器、采集富氧流量信息的流量传感器等;所述的集中式存储模块由数据库组成,包括集中式历史数据存储和集中式知识存储;集中式历史数据存储包括:存储从生产现场由传感器采集的数据信息和部分通过公式计算得到的系数信息;集中式知识存储包括:存放离散化阈值、异常炉况指标阈值、离线训练完成的动态贝叶斯网络的参数与结构;所述的集中式故障监测诊断与自愈控制模块基于动态贝叶斯网络构建,包括三层,分别为征兆层、故障层与控制层,其中控制层由多个与时间相关的阶段构成,集中式故障监测诊断与自愈控制模块主体由中央计算机构成,用于从数据库中读取历史故障数据,进行离散化后结合专家知识对动态贝叶斯网络进行离线训练建模,计算异常炉况指标阈值并存储;从数据库中读取实时生产数据并显示给操作人员,同时对数据进行离散化后调用动态贝叶斯网络对数据进行分析,判断是否出现异常炉况,如出现异常炉况,则进行故障诊断推理,并根据诊断结果动态推理输出自愈控制策略与控制变量的调整值,经过操作人员确认后作用于控制回路,从而消除故障;所述的分布式终端控制模块包括多个执行器:用于接收从中央计算机发来的控制信号,并根据控制信号调整执行器,位于高炉上部的执行器包括:控制下料料批重量的称量漏斗、控制布料角度与圈数的布料溜槽,位于高炉下部及送风系统的执行器包括:控制冷风流量的流量阀门、控制热风温度的热风炉、控制富氧流量的流量阀门、控制喷煤量的流量阀门。
所述的集中式故障监测诊断与自愈控制模块中所述的数据离散化将征兆层节点的数据从连续形式转换为离散形式,从数据库中调用正常工况的历史数据,进行高斯分布拟合,计算出每个监测变量对应的高斯分布的均值与方差,根据每个监测变量拟合出的高斯分布,得到征兆层节点的离散化表。
所述的集中式故障监测诊断与自愈控制模块中,所述的动态贝叶斯网络的离线训练建模步骤如下:动态贝叶斯网络分为三层,分别为征兆层、故障层与控制层,每层节点均为离散节点,征兆层的节点均为反映高炉生产状况的监测变量,部分由传感器直接采集得到,包括料线、顶压和顶温,部分根据传感器数据计算得到,包括透气性指数、理论燃烧温度和炉腹煤气指数,故障层的节点为高炉可能发生的故障,包括管道、崩料和悬料,控制层的节点为对控制变量的调整动作,包括减小矿石批重、减小冷风流量、降低热风温度、减小矿石批重、停止喷煤或者停止富氧,动态贝叶斯网络的建模分为网络结构的确定与网络参数即节点条件概率表的确定,步骤如下:
(1)首先确定网络结构,根据动态贝叶斯网络的定义,为了增强自愈控制的可靠性与稳定性,控制层的每个节点均有指向自身的有向线段,控制层节点当前的状态受上一时刻该节点状态的影响,故障层指向征兆层的有向线段由互信息大小确定,互信息计算公式如下:
其中X代表故障节点数据序列,Y代表监测变量数据序列,
对于每个故障,根据历史故障数据计算与征兆层所有节点的互信息值,计算互信息平均值,故障节点与监测变量的互信息值大于互信息平均值的视为有直接因果关系,在节点间添加有向线段,控制层的有向线段是根据某一故障节点依次连接的,每个故障节点对应的控制层节点事先由专家确定内容与次序,控制层节点根据故障持续的时间与严重程度分为不同的动作阶段,当炉况指标异常时,才会启动动作阶段,之后根据故障持续时间与故障严重程度的不同依次启动后续动作阶段;
(2)在网络结构确定后确定网络参数,即每个节点的条件概率表,征兆层与故障层节点的条件概率表根据历史故障数据由期望最大化算法确定,控制层节点的条件概率表由专家确定。所述的集中式故障监测诊断与自愈控制模块中所述的异常炉况指标阈值计算过程与判断高炉是否发生异常炉况的过程如下:异常炉况指标阈值计算公式为:
其中n为所有用于模型训练的历史故障数据样本数量,m为征兆层与故障层节点的异常状态总数,凡节点状态不为“正常”的节点状态均视为异常状态,
对于某个数据样本,其异常炉况指标计算公式为:
当实时数据样本的异常炉况指标值大于阈值时,认为高炉发生异常炉况。
所述的集中式故障监测诊断与自愈控制模块中进行高炉异常炉况诊断的过程如下:当判断发生异常炉况时,监测指标节点的状态由0变成1,此时提取故障层节点的异常状态1和2概率分别求和,输出异常状态概率最大的故障节点对应的故障,完成异常炉况诊断。
所述的集中式故障监测诊断与自愈控制模块中,所述的根据诊断结果动态推理输出自愈控制策略与控制变量的调整值的过程如下:当异常炉况指标开始为1时,根据炉况诊断结果启动与故障对应的动作阶段1的动作,控制变量的调整量根据故障的严重程度和上一时刻采取的动作推理得到,当输出第一阶段的控制变量调整值后开始计时,同时当监测指标与故障严重程度发生变化时,动作阶段1的动作的调整量需要重新推理得到,若故障持续时间大于阈值,则启动动作阶段2,根据推理得到相应控制变量的调整量,当监测指标恢复为0时,意味着故障消除,按操作顺序依次恢复控制变量原先的设定值,自愈控制过程完成。
本发明的有益效果:
本发明将历史数据与专家知识结合起来对动态贝叶斯网络进行建模,使得模型在准确描述实际生产过程的同时充分利用专家知识,形成一个准确度高且解释性良好的模型,有利于在实际生产过程中推广。同时,模型不仅实现了故障监测与故障诊断,还能自主决策,制定适宜的控制方案消除故障,恢复高炉正常生产,减轻了操作人员的负担,提高炼铁过程的自动化、智能化水平。
附图说明
图1所示为本发明的系统组成框图。
图2所示为动态贝叶斯网络的结构示意图。
图3所示为动态贝叶斯网络离线建模与在线实时监测与自愈控制的流程示意图。
图4所示为动态贝叶斯网络的实际应用图。
具体实施方式
以下结合附图和实施例对本发明做进一步阐述。系统组成框图如图1所示,动态贝叶斯网络的结构示意图如图2所示,动态贝叶斯网络的离线建模与在线实时监测与自愈控制的流程如图3所示,结合高炉的生产特点,将历史数据与专家知识结合起来对动态贝叶斯网络进行建模,使得模型在准确描述实际生产过程的同时充分利用专家知识,形成一个准确度高且解释性良好的模型,有利于在实际生产过程中推广。同时,模型不仅实现了故障监测与故障诊断,还能自主决策,制定适宜的控制方案消除故障,恢复高炉正常生产,减轻了操作人员的负担,提高炼铁过程的自动化、智能化水平。
一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统,系统包括四个模块:模块一:由多种传感器组成的分布式工业现场数据采集模块:主要功能是采集监控高炉生产状况的过程变量与控制变量的实时数据,传感器的位置分布在高炉上部(炉喉)的上料系统与高炉下部(炉腹与炉缸)以及与高炉风口相连的送风系统中,位于高炉上部的传感器主要有:采集矿石与焦炭重量的质量传感器、采集料线信息的料尺、采集料线信息的雷达、采集顶压信息的压力传感器、采集顶温信息的十字测温传感器,位于高炉下部及送风管道的传感器主要有:采集炉腹压力信息的压力传感器、采集热风压力信息的压力传感器、采集冷风流量信息的流量传感器、采集富氧流量信息的流量传感器等,传感器将采集的信息传输至数据库中存储以待调用。
模块二:由数据库组成的集中式历史数据与知识存储模块:主要功能是存储从生产现场由传感器采集的数据信息和部分通过公式计算得到的系数信息以及存放离散化阈值、异常炉况指标阈值、离线训练完成的动态贝叶斯网络的参数与结构等知识信息,数据库的种类有关系型数据库如Oracle数据库和时序性数据库如Redis数据库等。
模块三:由中央计算机构成的集中式故障监测诊断与自愈控制模块:操作人员对工况的监控主要在操作室的中央计算机上完成,中央计算机的主要功能是从数据库中读取历史故障数据,进行离散化后结合专家知识对动态贝叶斯网络进行离线训练建模,计算异常炉况指标阈值并存储;从数据库中读取实时生产数据并显示给操作人员,同时对数据进行离散化后调用动态贝叶斯网络对数据进行分析,判断是否出现异常工况,如出现异常工况,则进行故障诊断推理,并根据诊断结果动态推理输出自愈控制策略与控制变量的调整值,经过操作人员确认后作用于控制回路,从而达到消除故障,恢复高炉正常生产的目的。
模块四:由执行器组成的分布式终端控制模块:主要功能是接收从中央计算机发来的控制信号,并根据控制信号调整执行器,执行器主要分布在高炉上部(炉喉)的上料系统与高炉下部(炉腹与炉缸)以及与高炉风口相连的送风系统中,位于高炉上部的执行器主要有:控制下料料批重量的称量漏斗、控制布料角度与圈数的布料溜槽,位于高炉下部及送风系统的执行器主要有:控制冷风流量的流量阀门、控制热风温度的热风炉、控制富氧流量的流量阀门、控制喷煤量的流量阀门。
高炉的无源型故障主要分为3类:悬料、管道、崩料。在生产过程中反映高炉生产状况的监测变量,部分由传感器直接采集得到,如料线、顶压、顶温、热风压力,部分根据传感器数据根据计算得到,如全压差、透气性指数、理论燃烧温度和炉腹煤气指数。高炉日常的调剂制度主要有装料布料制度与送风制度。
接下来对本发明的实施步骤进行详细阐述:
步骤1:对数据进行离散化
数据离散化指的是将征兆层节点的数据从连续形式转换为离散形式,从数据库中调用正常工况的历史数据,一般以一周以内为宜,进行高斯分布拟合,计算出每个监测变量对应的高斯分布的均值与方差,高斯分布的概率密度函数如下公式所示:
若一个随机变量X服从高斯分布,可以记为:X:N(μ,σ2),其中μ为高斯分布的均值,σ2为高斯分布的方差。
根据每个监测变量拟合出的高斯分布,征兆层节点的离散化表如下表1:
表1征兆层节点离散化取值表
节点取值x | 节点离散化值 |
x≥μ+3σ | 2(偏高严重) |
μ+1.5σ≤x<μ+3σ | 1(偏高) |
μ-1.5σ<x<μ+1.5σ | 0(正常) |
μ-3σ<x≤μ-1.5σ | -1(偏低) |
x≤μ-3σ | -2(偏低严重) |
步骤2:对动态贝叶斯网络进行离线建模
动态贝叶斯网络分为三层,分别为征兆层、故障层与控制层,每层节点均为离散节点,本实施方式中,动态贝叶斯网络征兆层节点有:料线、顶压、顶温、热风压力、全压差、透气性指数、理论燃烧温度和炉腹煤气指数,故障层节点有:悬料、管道、崩料,控制层节点有:减小矿石批重、定点布料、加净焦、减小冷风流量、降低喷煤量、降低热风温度、减小富氧流量、停止喷煤、停止富氧、提高热风温度。节点间的有向线段代表直接的因果关系,由因(父节点)指向果(子节点),节点指向自身的线段代表自身节点的前一时刻的取值状态也会对该时刻取值产生直接影响,每个节点均有条件概率表,即在父节点不同取值组合下该节点每个取值发生的概率,动态贝叶斯网络的建模分为网络结构的确定与网络参数即节点条件概率表的确定,具体步骤如下:
(1)首先确定网络结构,根据动态贝叶斯网络的定义,为了增强自愈控制的可靠性与稳定性,控制层的每个节点均有指向自身的有向线段,这意味着控制层节点当前的状态受上一时刻该节点状态的影响,故障层指向征兆层的有向线段由互信息大小确定,互信息计算公式如下:
其中X代表故障节点数据序列,Y代表监测变量数据序列。
对于每个故障,根据历史故障数据计算其与征兆层所有节点的互信息值,计算其互信息平均值,故障节点与监测变量的互信息值大于互信息平均值的视为有直接因果关系,在节点间添加有向线段,控制层的有向线段是根据某一故障节点依次连接的,每个故障节点对应的控制层节点事先由专家确定内容与次序,动态贝叶斯网络在本实施方式中的结构图见图4。
(2)在网络结构确定后确定网络参数,即每个节点的条件概率表,征兆层与故障层节点的条件概率表根据历史故障数据由期望最大化算法(EM算法)确定,EM算法分为E步与M步,循环重复直到收敛即可,计算步骤如下:
表2各层节点条件概率表示例
a.崩料对应控制层动作阶段1节点的条件概率表
b.征兆层料线节点的条件概率表
c.故障层崩料节点条件概率表
步骤三:异常炉况指标阈值计算与判断高炉是否发生异常炉况
异常炉况指标阈值计算公式为:
其中n为所有用于模型训练的历史故障数据样本数量,m为征兆层与故障层节点的异常状态总数,凡节点状态不为“正常”的节点状态均视为异常状态
对于某个数据样本,其异常炉况指标计算公式为:
当实时数据样本的异常炉况指标值大于阈值时,可认为高炉发生异常炉况。
步骤四:若判断异常炉况发生,则进行故障诊断
当判断发生异常炉况时,监测指标节点的状态由0变成1,此时提取故障层节点的异常状态1和2的概率分别求和,输出异常状态概率最大的故障节点对应的故障,完成异常炉况诊断。
步骤四:根据故障诊断结果动态推理输出自愈控制策略,直到故障消失
当异常炉况指标开始为1时,根据炉况诊断结果启动与故障对应的动作阶段1的动作,控制变量的调整量根据故障的严重程度和上一时刻采取的动作推理得到,当输出第一阶段的控制变量调整值后开始计时,同时当监测指标与故障严重程度发生变化时,动作阶段1的动作的调整量需要重新推理得到,若故障持续时间大于阈值,则启动动作阶段2,根据推理得到相应控制变量的调整量,当监测指标恢复为0时,意味着故障消除,按操作顺序依次恢复控制变量原先的设定值,自愈控制过程完成。
步骤五:故障消失后,根据动作次序逆向恢复控制量原先设定值
当异常炉况指标由1恢复为0时,意味着异常炉况消失,此时应重新将控制量恢复到原来的设定值,使得高炉继续平稳生产。
上述描述中的实施方案可以进一步组合或者替换,且实施方案仅仅是对本发明的优选实施例进行描述,并非对本发明的构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域普通技术人员对本发明的技术方案做出的各种变化和改进,均属于本发明的保护范围。本发明的保护范围由所附权利要求及其任何等同物给出。
Claims (6)
1.一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统,其特征在于,包括分布式工业现场数据采集模块、集中式存储模块、集中式故障监测诊断与自愈控制模块、分布式终端控制模块;
所述的分布式工业现场数据采集模块用于采集监控高炉生产状况的过程变量与控制变量的实时数据,设有多种传感器,传感器将采集的信息传输至数据库中存储以待调用;
位于高炉上部的传感器包括:采集矿石与焦炭重量的质量传感器、采集料线信息的料尺、采集料线信息的雷达、采集顶压信息的压力传感器、采集顶温信息的十字测温传感器,位于高炉下部及送风管道的传感器包括:采集炉腹压力信息的压力传感器、采集热风压力信息的压力传感器、采集冷风流量信息的流量传感器、采集富氧流量信息的流量传感器;
所述的集中式存储模块由数据库组成,包括集中式历史数据存储和集中式知识存储;集中式历史数据存储包括:存储从生产现场由传感器采集的数据信息和部分通过公式计算得到的系数信息;集中式知识存储包括:存放离散化阈值、异常炉况指标阈值、离线训练完成的动态贝叶斯网络的参数与结构;
所述的集中式故障监测诊断与自愈控制模块基于动态贝叶斯网络构建,包括三层,分别为征兆层、故障层与控制层,其中控制层由多个与时间相关的阶段构成,集中式故障监测诊断与自愈控制模块主体由中央计算机构成,用于从数据库中读取历史故障数据,进行离散化后结合专家知识对动态贝叶斯网络进行离线训练建模,计算异常炉况指标阈值并存储;从数据库中读取实时生产数据并显示给操作人员,同时对数据进行离散化后调用动态贝叶斯网络对数据进行分析,判断是否出现异常炉况,如出现异常炉况,则进行故障诊断推理,并根据诊断结果动态推理输出自愈控制策略与控制变量的调整值,经过操作人员确认后作用于控制回路,从而消除故障;
所述的分布式终端控制模块包括多个执行器:用于接收从中央计算机发来的控制信号,并根据控制信号调整执行器,位于高炉上部的执行器包括:控制下料料批重量的称量漏斗、控制布料角度与圈数的布料溜槽,位于高炉下部及送风系统的执行器包括:控制冷风流量的流量阀门、控制热风温度的热风炉、控制富氧流量的流量阀门、控制喷煤量的流量阀门。
2.根据权利要求1所述的系统,其特征在于,所述的集中式故障监测诊断与自愈控制模块中所述的数据离散化将征兆层节点的数据从连续形式转换为离散形式,从数据库中调用正常工况的历史数据,进行高斯分布拟合,计算出每个监测变量对应的高斯分布的均值与方差,根据每个监测变量拟合出的高斯分布,得到征兆层节点的离散化表。
3.根据权利要求1所述的系统,其特征在于,所述的集中式故障监测诊断与自愈控制模块中,所述的动态贝叶斯网络的离线训练建模步骤如下:动态贝叶斯网络分为三层,分别为征兆层、故障层与控制层,每层节点均为离散节点,征兆层的节点均为反映高炉生产状况的监测变量,部分由传感器直接采集得到,包括料线、顶压和顶温,部分根据传感器数据计算得到,包括透气性指数、理论燃烧温度和炉腹煤气指数,故障层的节点为高炉可能发生的故障,包括管道、崩料和悬料,控制层的节点为对控制变量的调整动作,包括减小矿石批重、减小冷风流量、降低热风温度、减小矿石批重、停止喷煤或者停止富氧,动态贝叶斯网络的建模分为网络结构的确定与网络参数即节点条件概率表的确定,步骤如下:
(1)首先确定网络结构,根据动态贝叶斯网络的定义,为了增强自愈控制的可靠性与稳定性,控制层的每个节点均有指向自身的有向线段,控制层节点当前的状态受上一时刻该节点状态的影响,故障层指向征兆层的有向线段由互信息大小确定,互信息计算公式如下:
其中X代表故障节点数据序列,Y代表监测变量数据序列;
对于每个故障,根据历史故障数据计算与征兆层所有节点的互信息值,计算互信息平均值,故障节点与监测变量的互信息值大于互信息平均值的视为有直接因果关系,在节点间添加有向线段,控制层的有向线段是根据某一故障节点依次连接的,每个故障节点对应的控制层节点事先由专家确定内容与次序,控制层节点根据故障持续的时间与严重程度分为不同的动作阶段,当炉况指标异常时,才会启动动作阶段,之后根据故障持续时间与故障严重程度的不同依次启动后续动作阶段;
(2)在网络结构确定后确定网络参数,即每个节点的条件概率表,征兆层与故障层节点的条件概率表根据历史故障数据由期望最大化算法确定,控制层节点的条件概率表由专家确定。
5.根据权利要求1所述的系统,其特征在于,所述的集中式故障监测诊断与自愈控制模块中进行高炉异常炉况诊断的过程如下:当判断发生异常炉况时,监测指标节点的状态由0变成1,此时提取故障层节点的异常状态1和2概率分别求和,输出异常状态概率最大的故障节点对应的故障,完成异常炉况诊断。
6.根据权利要求5所述的系统,其特征在于,所述的集中式故障监测诊断与自愈控制模块中所述的根据诊断结果动态推理输出自愈控制策略与控制变量的调整值的过程如下:当异常炉况指标开始为1时,根据炉况诊断结果启动与故障对应的动作阶段1的动作,控制变量的调整量根据故障的严重程度和上一时刻采取的动作推理得到,当输出第一阶段的控制变量调整值后开始计时,同时当监测指标与故障严重程度发生变化时,动作阶段1的动作的调整量需要重新推理得到,若故障持续时间大于阈值,则启动动作阶段2,根据推理得到相应控制变量的调整量,当监测指标恢复为0时,意味着故障消除,按操作顺序依次恢复控制变量原先的设定值,自愈控制过程完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527543.9A CN113234874B (zh) | 2021-05-14 | 2021-05-14 | 一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527543.9A CN113234874B (zh) | 2021-05-14 | 2021-05-14 | 一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113234874A true CN113234874A (zh) | 2021-08-10 |
CN113234874B CN113234874B (zh) | 2022-01-11 |
Family
ID=77134345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110527543.9A Active CN113234874B (zh) | 2021-05-14 | 2021-05-14 | 一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113234874B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114244687A (zh) * | 2021-12-20 | 2022-03-25 | 中国电信集团系统集成有限责任公司 | 基于AIOps网络故障自愈可操作性判断方法 |
CN114525372A (zh) * | 2022-01-05 | 2022-05-24 | 浙江大学 | 基于多模态融合的高炉状态监测方法及装置 |
CN114891944A (zh) * | 2022-06-28 | 2022-08-12 | 重庆钢铁集团电子有限责任公司 | 一种高炉控制系统结合高炉探尺快速处理崩料的方法 |
WO2023130234A1 (zh) * | 2022-01-05 | 2023-07-13 | 浙江大学 | 基于多模态融合的高炉状态监测方法及装置 |
CN116702030A (zh) * | 2023-05-31 | 2023-09-05 | 浙江大学 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1403594A (zh) * | 2002-10-17 | 2003-03-19 | 浙江大学 | 智能控制高炉冶炼的系统 |
JP2005135010A (ja) * | 2003-10-28 | 2005-05-26 | Nippon Steel Corp | プロセスの状態類似事例検索方法および状態予測方法並びに記憶媒体 |
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN109359320A (zh) * | 2018-08-20 | 2019-02-19 | 浙江大学 | 基于多采样率自回归分布滞后模型的高炉指标预测方法 |
US20190093186A1 (en) * | 2017-09-27 | 2019-03-28 | International Business Machines Corporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
CN111651931A (zh) * | 2020-05-19 | 2020-09-11 | 浙江大学 | 基于深度神经网络的高炉故障诊断规则导出方法 |
CN111831719A (zh) * | 2020-07-22 | 2020-10-27 | 山东钢铁股份有限公司 | 一种高炉炼铁的生产过程智能控制方法及系统 |
-
2021
- 2021-05-14 CN CN202110527543.9A patent/CN113234874B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1403594A (zh) * | 2002-10-17 | 2003-03-19 | 浙江大学 | 智能控制高炉冶炼的系统 |
JP2005135010A (ja) * | 2003-10-28 | 2005-05-26 | Nippon Steel Corp | プロセスの状態類似事例検索方法および状態予測方法並びに記憶媒体 |
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
US20190093186A1 (en) * | 2017-09-27 | 2019-03-28 | International Business Machines Corporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
CN109359320A (zh) * | 2018-08-20 | 2019-02-19 | 浙江大学 | 基于多采样率自回归分布滞后模型的高炉指标预测方法 |
CN111651931A (zh) * | 2020-05-19 | 2020-09-11 | 浙江大学 | 基于深度神经网络的高炉故障诊断规则导出方法 |
CN111831719A (zh) * | 2020-07-22 | 2020-10-27 | 山东钢铁股份有限公司 | 一种高炉炼铁的生产过程智能控制方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114244687A (zh) * | 2021-12-20 | 2022-03-25 | 中国电信集团系统集成有限责任公司 | 基于AIOps网络故障自愈可操作性判断方法 |
CN114244687B (zh) * | 2021-12-20 | 2023-08-08 | 中电信数智科技有限公司 | 基于AIOps网络故障自愈可操作性判断方法 |
CN114525372A (zh) * | 2022-01-05 | 2022-05-24 | 浙江大学 | 基于多模态融合的高炉状态监测方法及装置 |
CN114525372B (zh) * | 2022-01-05 | 2022-10-28 | 浙江大学 | 基于多模态融合的高炉状态监测方法及装置 |
WO2023130234A1 (zh) * | 2022-01-05 | 2023-07-13 | 浙江大学 | 基于多模态融合的高炉状态监测方法及装置 |
US11898212B1 (en) | 2022-01-05 | 2024-02-13 | Zhejiang University | Method and device for monitoring blast furnace state based on multi-modes fusion |
CN114891944A (zh) * | 2022-06-28 | 2022-08-12 | 重庆钢铁集团电子有限责任公司 | 一种高炉控制系统结合高炉探尺快速处理崩料的方法 |
CN114891944B (zh) * | 2022-06-28 | 2023-10-24 | 重庆钢铁集团电子有限责任公司 | 一种高炉控制系统结合高炉探尺快速处理崩料的方法 |
CN116702030A (zh) * | 2023-05-31 | 2023-09-05 | 浙江大学 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
CN116702030B (zh) * | 2023-05-31 | 2024-01-23 | 浙江大学 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113234874B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113234874B (zh) | 一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统 | |
CN112001527B (zh) | 多特征融合深度神经网络的工业生产过程目标数据预测方法 | |
CN102915027B (zh) | 一种基于模式识别技术构建的高炉冶炼专家系统及其方法 | |
Fang et al. | Soft sensors based on adaptive stacked polymorphic model for silicon content prediction in ironmaking process | |
CN111593155B (zh) | 高炉诊断系统及方法 | |
CN103173584A (zh) | 具有自学习控制功能的高炉布料控制系统 | |
CN111652414B (zh) | 基于高斯混合模型的滑窗pca高炉异常监测方法 | |
CN108536128A (zh) | 一种参数优化的机器学习故障诊断系统 | |
CN102031319A (zh) | 一种高炉铁水含硅量的预报方法 | |
CN109815282A (zh) | 一种炼铁系统大数据平台 | |
CN111444942A (zh) | 一种高炉铁水硅含量智能预报方法及系统 | |
CN114962239B (zh) | 一种基于智能物联网的设备故障检测方法 | |
CN109306385A (zh) | 一种高炉顶压稳定控制系统及其控制方法 | |
CN114297265A (zh) | 基于物联技术的智能运维方法 | |
CN113177353A (zh) | 一种应用于工业预警系统的数据模型构建方法 | |
CN108709426B (zh) | 基于频谱特征双边检测法烧结机漏风故障在线诊断方法 | |
CN104090557B (zh) | 一种基于现场总线元件的脱碳炉信息系统及其控制方法 | |
CN114326395B (zh) | 一种基于工况判别的智能发电机组控制模型在线更新方法 | |
CN102876822A (zh) | 高炉操作的闭环控制系统 | |
CN209210838U (zh) | 一种高炉顶压稳定控制系统 | |
Koprinkova-Hristova et al. | Recurrent neural networks for predictive maintenance of mill fan systems | |
Jin et al. | A causal model-based scheduling approach for coke oven gas system in steel industry | |
Wang et al. | Operation Monitoring and Optimization of Industrial Boiler Based on Improved PCA | |
CN117806169B (zh) | 基于神经网络的炉温预警优化方法、系统、终端和介质 | |
CN116127345B (zh) | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |